据消息，美国国立卫生研究院（NIH）最近发表一个庞大的胸部 X 光数据库，现在已公开近 10,600 张电脑断层扫描（Computed Tomography，简称 CT）图像，以支援医疗人工智能算法的开发和测试。
这个大型成像数据库称为 DeepLesion，是由美国国立卫生研究院的 Ronald Summers 及同事创建。他们标记了机构放射科医生临床相关的 CT 扫描结果。
Summers 是 NIH 影像生物标记和电脑辅助诊断实验室的高级研究员和放射学家。
根据美国国立卫生研究院的说法，这些标记通常很复杂，包括描述病变大小和位置的箭头、线条、分割和文本，以便让临床医生监测疾病变化。标记医学图像需要广泛的临床经验，且耗费大量时间。
实际上，缺乏可用于训练 AI 算法的大型医学图像数据库，一直被认为是 AI 技术寻求突破的主要障碍。Summers 及同事的努力就是为了改变这种状况，至少在 X 光方面。去年他们发表了 ChestX-ray8 数据库，包含 10 万张 X 光图像。
DeepLesion 透过够强大的 CT 扫描数据库和附带标记来训练深度神经网络，进而帮助绕过这些障碍。美国国立卫生研究院建议，有朝一日可以“使科学界创建具统一框架的大规模通用病变检测器”。
据了解，数据库包括来自马里兰州贝塞斯达 NIH 临床中心 4,400 多名患者的大约 10,600 项研究。虽然目前大多数数据库包含 10 至数百个单一类型的病变，但该组设计的 DeepLesion 可容纳超过 32,000 个病灶，涵盖各种放射学发现，如肺结节、淋巴结肿大和肝肿瘤。
有了多范畴的病变数据库，DeepLesion 为研究人员提供了开发人工智能算法的机会，能自动检测和诊断多种病变类型。美国国立卫生研究院指出，未来还可能发展成一个通用病变检测器，可用作初始筛选工具，并将结果发送到其他更专业的算法。此外，研究人员可能可在同一次 CT 扫描中研究不同类型病变之间的关系，进而全面评估癌症负担。
为了开始展示这种潜力，Summers 及同事用 DeepLesion 数据库训练一个典型的通用病变检测器，以发现各种病变。他们的探测器灵敏度达到 81.1%，每个图像有 5 个假阳性。
据了解，研究人员计划继续向 DeepLesion 添加图像，以提高检测器的准确性，他们希望将 MRI 扫描包含到数据库，并结合未来多家医院的数据。研究小组认为，除病变检测外，数据库还能帮助训练算法分类病变，并根据现有模式预测病变的发展。
（本文由 雷锋网 授权转载；首图来源：NIH）
